El proceso de fotolitografía de ultravioleta extremo (EUV) es una piedra angular en la fabricación de semiconductores y opera bajo exigentes estándares de precisión realizados a través de modelado de errores de superposición a nivel de nanómetros (OVL). Este procedimiento permite que la máquina anticipe y corrija los errores de OVL antes de afectar la oblea, facilitando así una exposición de imagen casi óptima al tiempo que minimiza al máximo el error total de OVL. Tales modelos suelen ser de alta dimensionalidad y exhiben rigurosos fenómenos estadísticos como colinealidades que desempeñan un papel crucial en el proceso de ajuste de sus parámetros. Mínimos cuadrados ordinarios (OLS) es el método más ampliamente utilizado para el ajuste de parámetros de modelos de superposición, pero en la mayoría de los casos no logra compensar tales fenómenos. En este documento, proponemos el uso de regresión de ridge, un algoritmo de aprendizaje automático (ML) ampliamente conocido especialmente adecuado para conjuntos de datos que presentan alta multicolinealidad. El método propuesto se aplicó en datos perturbados de una fábrica de obleas de 300 mm, y los resultados muestran residuos reducidos cuando se aplica la regresión de ridge en lugar de OLS.